AI与生物
众所周知,现在发文章越来越卷,如何才能发高分文章呢?小编整理了一些高分文章的特征,我们一起来看一下吧~ER影像组学 一、技术路线:1.数据收集整理,ROI标注,ITK-SNAP,3D Slicer。2.临床指标统计分析,单因素、多因素回归筛选。3.Pyradiomics提取特征,Shape、First Order、Texture特征;LoG、Wavelet小波变换等。4.特征筛选a.ICC,随机挑选30,多人标注,选择特征鲁棒性高的。b.统计检验筛选,utest、ttest、、ANOVA检验,筛选p value<0.05c.mRmR,相关系数筛选,spearman、pearson、kendal1系数等,相关系数大于0.9的两者保留其一。d.Lasso,10折交叉验证,权重曲线、rad score公式、权重图。5.问题建模,筛选出来的特征,输入到机器学习算法,COX、LR、SVM、RF、XGBoost、LightGBM等模型,构建Signature。6.指标解释a.统计对比表格,准确率、AUC、Sensitivity,Specificity,F1。b.挑最好的模型,ROC曲线,DCA曲线、校准曲线。c.混淆矩阵,所有样本预测概率分布图。d.Signature融合,Nomogram,增加临床可解释性。二、涉及方法:病理+多模态组学 一、技术路线:1、数据收集整理,WSI 级别进行 ROI标注,可以考虑使用 CellProfilerQuPath,提取特征。2、临床指标统计分析,单因素、多因素回归筛选。3、病理深度学习模型构建A.将 WSI裁剪成 patch (tiles)B.根据 ROI标注信息,进行深度学习模型训练。 a.训练分类任务,例如: VGG、ResNet、Inception、DenseNet 等 b.训练分割任务,例如: FCN、Deeplab、 unet 等C. 提取深度学习特征 a.所有的 patch 融合成类别 histogram 直方图或者做成TF-IDF特征。 b.所有 patch 识别的概率信息,做成概率直方图2. c.使用深度学习中间层特征,然后使用深度模型进行融合4、问题建模,筛选出来特征,分数据输入到机器学习算法,构建 Signature。5、指标解释,效能对比A. 深度学习模型可解释 a.训练过程中训练集、测试集 loss、准确率变化 ...